前言

圖像分割是指根據灰度、色彩、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區域。

最簡單的圖像分割就是將物體從背景中分割出來

1.圖像二值化

cv2.threshold是opencv-python中的圖像二值化方法，可以實現簡單的分割功能。

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

?src：原圖像，要求必須是灰度圖像

?dst：結果圖像

?thresh：閾值

?maxVal：結果圖中像素最大值

?thresholdType：二值化類型

然而，threshold用法，有兩個問題：

問題一：

?根據全圖統一的閾值對像素進行判斷，并非在所有情況下效果都好

?例如，如果圖像在不同區域具有不同的光照條件

問題二：

?閾值需要手動設定，不同的圖片合適的閾值可能不同，更換圖片可能就需要調整代碼

針對于全圖統一閾值的問題，可以使用自適應閾值分割法

?自適應閾值分割算法基于像素周圍的局部區域確定像素的閾值

?同一圖像的不同區域具有不同的閾值

?為光照變化的圖像提供更好的分割效果

2.自適應閾值分割算法

dst= cv2.adaptiveThreshold(src, maxValue, adaptiveMethod,thresholdType, blockSize, C, dst=None)

參數解釋如下：

?src：原圖像，它必須是灰度圖像

?maxValue：結果圖中像素的最大值，一般設置為255

?adaptiveMethod：閾值的計算方法，包括以下兩種計算方式：

?thresholdType：二值化方式，例如cv2.THRESH_BINARY、cv2.THRESH_TRUNC、

cv2.THRESH_TOZERO等

?blockSize：局部區域的大小

?C：閾值計算中減去的常數

缺點：blockSize要手動指定，但物體的大小有差異

3.Otsu閾值分割算法

自動根據圖像內容計算閾值：

• Otsu閾值分割算法
• 大津法
• 直方圖技術

retval, dst = cv2.threshold(src, thresh, maxval, thresholdType[, dst])

參數解釋如下：

• src：原圖像，要求必須是灰度圖像
• dst：結果圖像
• thresh：閾值（無作用）
• maxVal：像素灰度最大值
• thresholdType：閾值類型，在原有參數值基礎上多傳遞一個參數值，即cv2.THRESH_OTSU
• 比如cv2.THRESH_BINARY+cv2.THRESH_OTSU

利用固定閾值算法進行分割，適用的圖片較為局限

同一個閾值，在一些圖像上表現好，在其他圖片上效果不佳

如：

利用Otsu閾值算法進行分割，適用的圖片范圍較廣

對每張圖片，Otsu閾值算法自動找到針對性的閾值

如：

4.基于輪廓的字符分離

分割步驟

1. 檢測出圖像中字符的輪廓

2. 得到每一條輪廓的包圍框，根據包圍框坐標提取ROI

4.1輪廓檢測

contours, hierarchy = cv2.findContours(image, mode, method)

參數解釋如下：

contours：返回的輪廓列表，每條輪廓包含構成這條輪廓上的一系列點的坐標

hierarchy：輪廓之間的層級關系

image：原始圖像，需要是二值圖

mode：輪廓的檢索模式

method：輪廓的近似辦法

?4.2輪廓繪制

cv2.drawContours(image, contours, contourIdx, color, thickness)

• image：指定在哪張圖片上繪制輪廓
• contours：輪廓列表
• contourIdx：定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓
• color：輪廓顏色
• thickness（可選）：輪廓寬度

import cv2
img=cv2.imread("D:\\desk\\images\\car_license\\test1.png")
 
#去噪
image=cv2.GaussianBlur(img,(3,3),0)
 
#轉為灰度圖
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
#Ostu閾值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
'''輪廓檢測與繪制'''
#檢測輪廓(外輪廓)
th1=cv2.dilate(th1,None)      #膨脹，保證同一個字符只有一個外輪廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
#輪廓可視化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #轉為三通道圖
 
cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #輪廓可視化
 
cv2.imshow("th1_bgr",th1_bgr)
 
cv2.waitKey()

4.3包圍框獲取

rect= cv2.boundingRect(points)

• points：一系列點的坐標
• rect：能夠包圍住這些點的最小外接矩形信息，格式為(x,y,width,height)

4.4矩形繪制?

cv2.rectangle(img, pt1, pt2, color[, thickness）

• img：指定要繪制的圖片
• pt1：矩形的某個頂點的坐標
• pt2：和pt1相對的頂點坐標
• color：矩形的顏色
• thickness（可選）：矩形輪廓的寬度

基于輪廓的字符分離完整代碼如下：

import cv2
img=cv2.imread("D:\\desk\\images\\car_license\\test1.png")
 
#去噪
image=cv2.GaussianBlur(img,(3,3),0)
 
#轉為灰度圖
gray1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
#Ostu閾值分割
ret, th1 = cv2.threshold(gray1, 127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
 
'''輪廓檢測與繪制'''
#檢測輪廓(外輪廓)
th1=cv2.dilate(th1,None)      #膨脹，保證同一個字符只有一個外輪廓
contours,hierarchy=cv2.findContours(th1,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
#輪廓可視化
th1_bgr=cv2.cvtColor(th1,cv2.COLOR_GRAY2BGR)     #轉為三通道圖
 
# cv2.drawContours(th1_bgr,contours,-1,(0,0,255),2)    #輪廓可視化
 
'''包圍框獲取'''
words=[]         #保存包圍框信息
height,width=th1.shape
for contour in contours:     #對于每一條輪廓
    rest=cv2.boundingRect(contour)       #得到這條輪廓的外接矩陣
    #只有高寬比在1.5到3.5之間，且高 度比圖片高度大于0.3的矩陣才保留
    if rest[3]/rest[2]>1.5 and rest[3]/rest[2]<3.5 and rest[3]/height>0.3:
        words.append(rest)         #將當前矩形加入矩形列表
        cv2.rectangle(th1_bgr,(rest[0],rest[1]),(rest[0]+rest[2],rest[1]+rest[3]),(0,0,255),3)    #繪制矩形
 
 
 
#顯示
# cv2.imshow("img",img)
cv2.imshow("th1",th1)
cv2.imshow("th1_bgr",th1_bgr)
 
cv2.waitKey()